Web3-AI 賽道全景報告：技術邏輯、場景應用與頂級項目深度剖析

隨着 AI 敘事的持續升溫，越來越多的關注集中在這一賽道。本文對 Web3-AI 賽道的技術邏輯、應用場景及代表項目進行了深入剖析，爲您全面呈現該領域的全景與發展趨勢。

一、Web3-AI：技術邏輯與新興市場機會解析

1.1 Web3 與 AI 的融合邏輯：如何界定 Web-AI 賽道

在過去的一年中，AI 敘事在 Web3 行業中異常火爆，AI 項目如雨後春筍般湧現。雖然有許多項目涉及 AI 技術，但一些項目僅在其產品的某些部分使用 AI，底層的代幣經濟學與 AI 產品並無實質關聯，因此這類項目在本文中不屬於 Web3-AI 項目的討論之列。

本文的重點在於使用區塊鏈解決生產關係問題，AI 解決生產力問題的項目，這些項目本身提供 AI 產品，同時基於 Web3 經濟模型作爲生產關係工具，二者相輔相成。我們將這類項目歸類爲 Web3-AI 賽道。爲了使讀者更好的理解 Web3-AI 賽道，本文將展開介紹 AI 的開發過程和挑戰，以及 Web3 和 AI 結合如何完美解決問題和創造新的應用場景。

1.2 AI 的開發過程和挑戰：從數據收集到模型推理

AI 技術是一項讓計算機模擬、擴展和增強人類智能的技術。它能夠使計算機能夠執行各種復雜的任務，從語言翻譯，圖像分類再到人臉識別、自動駕駛等應用場景，AI 正在改變我們生活和工作的方式。

開發人工智能模型的過程通常包含以下幾個關鍵步驟：數據收集和數據預處理、模型選擇和調優、模型訓練和推理。舉一個簡單的例子，開發一個模型來實現對貓和狗圖像的分類，你需要：

1. 數據收集和數據預處理：收集包含貓和狗的圖像數據集，可以使用公開數據集或自己收集真實數據。然後爲每張圖像標注類別（貓或狗），確保標籤準確無誤。將圖像轉化爲模型可以識別的格式，將數據集劃分爲訓練集、驗證集和測試集。

2. 模型選擇和調優：選擇合適的模型，例如卷積神經網路（CNN），比較適合圖像分類任務。根據不同需求對模型參數或架構調優，通常來說，模型的網絡層次可以根據 AI 任務的復雜度來調整。在這個簡單的分類例子中，較淺的網絡層次可能就足夠。

3. 模型訓練：可以使用 GPU、TPU 或高性能計算集羣來訓練模型，訓練時間受模型復雜度和計算能力的影響。

4. 模型推理：模型訓練好的文件通常稱爲模型權重，推理過程是指使用已經訓練好的模型對新數據進行預測或分類的過程。這個過程中可以使用測試集或新數據來測試模型的分類效果，通常用準確率、召回率、F1-score 等指標來評估模型的有效性。

如圖所示，經過數據收集和數據預處理、模型選擇和調優以及訓練，將訓練好的模型在測試集上進行推理會得出貓和狗的預測值 P（probability），即模型推理出是貓或狗的概率。

訓練好的 AI 模型可以進一步地集成到各種應用程序中，執行不同任務。在這個例子裏，貓狗分類的 AI 模型可以集成到一個手機應用中，用戶上傳貓或狗的圖片，就可以獲得分類結果。

然而，中心化的 AI 開發過程在以下場景中存在一些問題：

用戶隱私：在中心化的場景裏，AI 的開發過程通常是不透明的。用戶數據可能會在不知情的情況下被竊取並用於 AI 訓練。

數據源獲取：小型團隊或個人在獲取特定領域數據（如醫學數據）時，可能會面臨數據不開源的限制。

模型選擇和調優：對於小型團隊來說，很難獲取特定領域的模型資源或花費大量成本進行模型調優。

算力獲取：對個人開發者和小型團隊而言，高昂的 GPU 購買成本和雲算力租賃費用可能構成顯著的經濟負擔。

AI 資產收入：數據標注工作者常常無法獲得與其付出相匹配的收入，而 AI 開發者的研究成果也難以與有需求的買家匹配。

中心化 AI 場景下存在的挑戰可以通過和 Web3 結合，Web3 作爲一種新型生產關係，天然適配代表新型生產力的 AI，從而推動技術和生產能力的同時進步。

1.3 Web3 與 AI 的協同效應：角色轉變與創新應用

Web3 與 AI 結合可以增強用戶主權，爲用戶提供開放的 AI 協作平台，使用戶從 Web2 時代的 AI 使用者轉變爲參與者，創建人人可擁有的 AI。同時，Web3 世界與 AI 技術的融合還能碰撞出更多創新的應用場景和玩法。

基於 Web3 技術，AI 的開發和應用將迎來一個嶄新的協作經濟體系。人們的數據隱私可以得到保障，數據衆包模式促進 AI 模型的進步，衆多開源的 AI 資源可供用戶使用，共享的算力可以以較低的成本獲取。借助去中心化的協作衆包機制和開放的 AI 市場，可以實現公平的收入分配體系，從而激勵更多人來推動 AI 技術的進步。

在 Web3 場景中，AI 能夠在多個賽道上產生積極影響。例如，AI 模型可以集成到智能合約中，在不同的應用場景下提升工作效率，如市場分析、安全檢測、社交聚類等多種功能。生成式 AI 不僅可以讓用戶體驗"藝術家"角色，比如使用 AI 技術創建自己的 NFT，還可以在 GameFi 中創造豐富多樣的遊戲場景和有趣的交互體驗。豐富的基礎設施提供流暢的開發體驗，不論是 AI 專家還是想要進入 AI 領域的新手都可以在這個世界裏找到合適的入口。

二、Web3-AI 生態項目版圖及架構解讀

我們主要研究了 Web3-AI 賽道的 41 個項目，並將這些項目劃分爲不同的層級。每一層的劃分邏輯如下圖所示，包括基礎設施層、中間層和應用層，每一層又分爲不同的板塊。在下一章節中，我們將對一些具有代表性的項目進行深度解析。

基礎設施層涵蓋了支持整個 AI 生命週期運行的計算資源和技術架構，中間層則包括了連接基礎設施與應用的數據管理、模型開發和驗證推理服務，應用層則聚焦於直接面向用戶的各類應用和解決方案。

基礎設施層：

基礎設施層是 AI 生命週期的基礎，本文將算力，AI Chain 和開發平台歸類爲基礎設施層。正是這些基礎設施的支持，才能實現 AI 模型的訓練與推理，並將功能強大、實用的 AI 應用程序呈現給用戶。

• 去中心化計算網路：可以爲 AI 模型訓練提供分布式算力，確保高效且經濟的計算資源利用。一些項目提供了去中心化的算力市場，用戶可以以低成本租賃算力或共享算力獲得收益，代表項目如 IO.NET 和 Hyperbolic 。此外，一些項目衍生出了新玩法，如 Compute Labs ，提出了代幣化協議，用戶通過購買代表 GPU 實體的 NFT，可以以不同方式參與算力租賃以獲取收益。

• AI Chain：利用區塊鏈作爲 AI 生命週期的基礎，實現鏈上鏈下 AI 資源的無縫交互，促進行業生態圈的發展。鏈上的去中心化 AI 市場可以交易 AI 資產如數據、模型、代理等，並提供 AI 開發框架和配套的開發工具，代表項目如 Sahara AI。AI Chain 還可以促進不同領域的 AI 技術進步，如 Bittensor 通過創新的子網激勵機制來促進不同 AI 類型的子網競爭。

• 開發平台：一些項目提供 AI 代理開發平台，還可以實現 AI 代理的交易，如 Fetch.ai 和 ChainML 等。一站式的工具幫助開發者更便捷地創建、訓練和部署 AI 模型，代表項目如 Nimble。這些基礎設施促進了 AI 技術在 Web3 生態系統中的廣泛應用。

中間層：

這一層涉及 AI 數據、模型以及推理和驗證，採用 Web3 技術可以實現更高的工作效率。

• 數據：數據的質量和數量是影響模型訓練效果的關鍵因素。在 Web3 世界裏，通過衆包數據和協作式的數據處理，可以優化資源利用並降低數據成本。用戶可以擁有數據的自主權，在隱私保護的情況下出售自己的數據，以避免數據被不良商家竊取和牟取高額利潤。對於數據需求方來說，這些平台提供了廣泛的選擇和極低的成本。代表項目如 Grass 利用用戶帶寬來抓取 Web 數據，xData 通過用戶友好的插件來收集媒體信息，並支持用戶上傳推文信息。

此外，一些平台允許領域專家或普通用戶執行數據預處理任務，如圖像標注、數據分類，這些任務可能需要專業知識的金融和法律任務的數據處理，用戶可以將技能代幣化，實現數據預處理的協作衆包。代表如 Sahara AI 的 AI 市場，具有不同領域的數據任務，可以覆蓋多領域的數據場景；而 AIT Protocolt 通過人機協同的方式對數據進行標注。

• 模型：此前提到過的 AI 開發過程中，不同類型的需求需要匹配適合的模型，圖像任務常用的模型如 CNN、GAN，目標檢測任務可以選擇 Yolo 系列，文本類任務常見 RNN、Transformer 等模型，當然還有一些特定或通用的大模型。不同復雜度的任務需要的模型深度也不同，有時需要對模型調優。

一些項目支持用戶提供不同類型的模型或通過衆包方式協作訓練模型，如 Sentient 通過模塊化的設計，允許用戶將可信的模型數據放在存儲層，分發層來進行模型優化，Sahara AI 提供的開發工具內置先進的 AI 算法和計算框架，且具有協作訓練的能力。

• 推理和驗證：模型經過訓練之後會生成模型權重文件，可以用來直接進行分類、預測或其他特定任務，這個過程稱爲推理。推理過程通常伴隨着驗證機制，來驗證推理模型的來源是否正確，是否有惡意行爲等。Web3 的推理通常可以集成在智能合約裏，通過調用模型進行推理，常見的驗證方式包括 ZKML，OPML 和 TEE 等技術。代表項目如 ORA 鏈上 AI 預言機（OAO），引入了 OPML 作爲 AI 預言機的可驗證層，在 ORA 的官網中還提到了他們關於 ZKML 和 opp/ai（ZKML 結合 OPML）的研究。

應用層：

這一層主要是直接面向用戶的應用程序，將 AI 與 Web3 結合，創造出更多有趣的、創新的玩法，本文主要梳理了 AIGC（AI 生成內容）、AI 代理和數據分析這幾個板塊的項目。

• AIGC：通過 AIGC